Datadrift
En ændring i fordelingen af modelinput i forhold til en udtrykkeligt valgt reference.
Hvad har ændret sig i de indgående data?
Datadrift betyder, at fordelingen af modelinput ændrer sig i forhold til en valgt reference. Træningsdata eller en tidligere brugsperiode kan bruges som sammenligning; den anvendte reference skal være fastlagt. Egenskaber som kategorihyppighed eller værdiintervaller undersøges. Et signal om datadrift peger på en mulig ændring. Om den medfører flere forkerte forudsigelser, skal vurderes særskilt. En ændret sammenhæng mellem input og mål kan heller ikke udledes af signalet alene.
I et fiktivt system til billedklassifikation stiger andelen af dårligt belyste fotos efter indførelsen af en ny optageenhed. Referenceperioden og de observerede optageforhold dokumenteres til sammenligningen. Derefter undersøges de berørte billeder og deres fagligt kontrollerede klassetilordninger for mulige ændringer i fejlene. Det undersøges også, om optagepraksis faktisk har ændret sig, eller om der er en fejl ved overførsel eller behandling. En usædvanlig datasammenligning er anledning til undersøgelsen; den beviser hverken en fejl i enheden eller behovet for en ny model.
Kilder
Relaterede begreber
- MaskinlæringModeller lærer mønstre fra data og bruger dem på nye input.
- ComputersynMetoder til at udlede information fra billeder og video, eksempelvis ved at klassificere objekter, finde deres placering eller opdele billedområder.
- TræningsdataDe eksempler, som en model lærer sammenhænge eller parametre fra under træningen.
- Testdata i maskinlæringData til afsluttende vurdering, hvis resultater ikke er brugt til at vælge den vurderede modelvariant.
- AI-biasSystematiske skævheder i AI-systemer, som kan stille bestemte tilfælde eller grupper af mennesker dårligere.
- ModeldriftFaldende kvalitet af en models forudsigelser, fordi data eller sammenhænge ændrer sig under brug.
Dit projekt med ASES
Beskriv dit projekt for os. Vi vender tilbage med en første vurdering.